改进残差神经网络实现心音分类

TP183; 心音的变化可以较早表征心脏疾病体征,基于深度学习实现心音信号分类具有心脏疾病临床辅助无创诊断作用.秉承特征获取简易和深度学习模型简单理念,设计了融合CBAM注意力机制、Focal Loss损失函数和多尺度特征的ResNet152网络模型对PhysioNet/CinC 2016心音数据集进行深度学习;详细介绍了CBAM注意力机制以及在网络瓶颈结构中的融合方式、Focal Loss损失函数原理、多尺度特征获取方式,并设计了5组对比消融实验和横向对比实验.实验结果表明,CBAM注意力机制、Focal Loss损失函数和多尺度特征提高了ResNet152基线网络模型分类准确率....

Full description

Saved in:
Bibliographic Details
Published in计算机工程与科学 Vol. 44; no. 8; pp. 1514 - 1520
Main Authors 张俊飞, 张贵英
Format Journal Article
LanguageChinese
Published 广州医科大学信息与现代教育技术中心,广东 广州 511436%广州医科大学基础医学院,广东 广州 511436 2022
Subjects
CBAM
梅尔频率系数特征
Focal Loss
多尺度
Online AccessGet full text
ISSN1007-130X
DOI10.3969/j.issn.1007-130X.2022.08.023

Cover

More Information
Summary:TP183; 心音的变化可以较早表征心脏疾病体征,基于深度学习实现心音信号分类具有心脏疾病临床辅助无创诊断作用.秉承特征获取简易和深度学习模型简单理念,设计了融合CBAM注意力机制、Focal Loss损失函数和多尺度特征的ResNet152网络模型对PhysioNet/CinC 2016心音数据集进行深度学习;详细介绍了CBAM注意力机制以及在网络瓶颈结构中的融合方式、Focal Loss损失函数原理、多尺度特征获取方式,并设计了5组对比消融实验和横向对比实验.实验结果表明,CBAM注意力机制、Focal Loss损失函数和多尺度特征提高了ResNet152基线网络模型分类准确率.
ISSN:1007-130X
DOI:10.3969/j.issn.1007-130X.2022.08.023